A análise de sentimento tradicional usava classificadores com engenharia de features (bag-of-words + regressão logística, abordagens baseadas em léxico). Funcionavam para casos simples, mas falhavam com sarcasmo ("Ah ótimo, mais um atraso"), sentimento implícito ("A bateria durou duas horas") e linguagem específica de domínio. Abordagens modernas usam BERT ajustado ou classificação baseada em LLM, que lidam com essas nuances muito melhor ao entender o contexto.
Avaliações reais frequentemente contêm sentimento misto: "A câmera é excelente, mas a bateria é decepcionante." A análise de sentimento baseada em aspecto identifica os aspectos (câmera, bateria) e atribui sentimento a cada um de forma independente. Isso é mais útil para equipes de produto do que o sentimento geral porque aponta especificamente o que precisa ser melhorado. LLMs modernos lidam com isso naturalmente através de saída estruturada — "extraia aspectos e seus sentimentos desta avaliação."
Para análise de sentimento, você tem três opções: (1) um modelo pequeno ajustado (rápido, barato, bom para alto volume), (2) um prompt de LLM zero-shot (flexível, lida com casos extremos, mais caro), ou (3) um serviço de API (Google NLP, AWS Comprehend). Para a maioria dos novos projetos, começar com um prompt de LLM e migrar para um modelo ajustado quando o volume justificar é a abordagem prática.